研究人员引入了一个新的隐私框架，称为“通过可预测性实现隐私”，它比传统的差分隐私（DP）提供了更细粒度的方法。这种新方法考虑了攻击者的特定知识、数据集的受损部分以及正在进行的查询类型。可预测性通过评估攻击者在观察算法输出后，除了从受损数据中已知的信息之外，还能在多大程度上提高预测敏感信息的能力来衡量隐私泄露。该框架是对DP的补充，可以与DP一起使用以增强隐私控制。 AI
影响 这个新的隐私框架可能导致AI系统中更细致、更有效的数据保护方法。
排序理由 该集群包含一篇详细介绍新隐私框架的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2606.20546v1 Announce Type: new Abstract: Differential privacy (DP) ensures rigorous individual-level privacy guarantees against even the most knowledgeable attackers, but its worst-case nature can impose a costly privacy-accuracy tradeoff. We introduce privacy via predicta…
Differential privacy (DP) ensures rigorous individual-level privacy guarantees against even the most knowledgeable attackers, but its worst-case nature can impose a costly privacy-accuracy tradeoff. We introduce privacy via predictability, a fine-grained framework that explicitly…